133 Arbeiten
Die Studie leitet eine technologieunabhängige Obergrenze für die Informationskapazität der Magnetoenzephalographie von 2,2 Mbit/s her, die sich aus dem metabolischen Energiebudget des Gehirns und dem quantenmechanischen Rauschlimit ergibt und eine fundamentale Kompromissbeziehung zwischen räumlicher und zeitlicher Auflösung aufzeigt.
Die Autoren stellen eine Methode vor, die auf der Straight-Through-Gumbel-Softmax-Schätzung basiert, um durch exakte stochastische Simulationen differenzierbare Gradienten zu berechnen, was eine effiziente Parameterschätzung und inverses Design in biologischen und physikalischen Systemen ermöglicht.
Die Arbeit stellt TAPINN vor, einen Topologie-bewussten Physics-Informed Neural Network-Ansatz, der durch überwachtes metrisches Regularisieren und einen alternierenden Optimierungsprozess die Modellierung von dynamischen Systemen mit scharfen Regimewechseln verbessert und dabei signifikant niedrigere physikalische Residuen sowie eine stabilere Konvergenz im Vergleich zu Standard-PINNs und Hypernetzwerken erreicht.
Die Studie zeigt, dass die Integration von Kolmogorov-Arnold-Netzwerken (KANs) in hard-constrained recurrent physics-informed Architekturen im Vergleich zu herkömmlichen MLPs aufgrund von Hyperparameter-Fragilität, Instabilität in tieferen Schichten und Versagen bei multiplikativen Termen für die Entdeckung nichtlinearer physikalischer Residuen ungeeignet ist.
Diese Studie führt den ersten systematischen Vergleich von sieben Hydrodynamik-Codes durch, die die Streaming-Instabilität in unstratifizierten Modellen mit schwach gekoppelten Staubkörnern untersuchen, und zeigt, dass alle Codes qualitativ übereinstimmende Verhaltensmuster aufweisen, während quantitative Unterschiede bei moderater Auflösung primär von der Staubmodellierung abhängen und sich bei höherer Auflösung sowie durch den Einsatz von GPUs für eine bessere Energieeffizienz und Skalierbarkeit ausgleichen lassen.
Diese Studie vergleicht die cache-effizienten Sort-and-Sweep- und Baum-Code-Algorithmen zur Nachbarschaftsberechnung in zweidimensionalen DEM-Simulationen und stellt fest, dass der Baum-Code trotz höherer Komplexität eine leicht bessere Leistung und verbesserte Möglichkeiten für die parallele Shared-Memory-Verarbeitung bietet.
Diese Studie stellt einen inversen Designansatz mittels Topologieoptimierung und frequenzbasierter Mikromagnetik vor, der genetische Algorithmen nutzt, um neuartige zweidimensionale magnonische Kristalle mit großen Bandlücken zu entdecken und zu validieren.
Diese Studie stellt „Ara" vor, einen auf einem Large Language Model basierenden Agenten, der durch die Anwendung chemischer Vorwissen und donor-akzeptor-Theorie die inverse Suche nach stabilen und aktiven kovalenten organischen Gerüsten (COFs) für die photokatalytische Wasserstoffproduktion effizienter gestaltet als herkömmliche Suchmethoden.
Die Studie erweitert die Spin-Gitter-Relaxationstheorie um Drei-Phonon-Prozesse und bestätigt für einen Chromnitrid-Komplex die Gültigkeit der schwachen Spin-Phonon-Kopplung, zeigt jedoch, dass stärkere Kopplungen Drei-Phonon-Effekte bereits bei Raumtemperatur relevant machen könnten.
Dieser Artikel stellt ein raumzeitliches Galerkin-Randelementverfahren im Zeitbereich vor, das durch seine Stabilität und Effizienz bei der Simulation aeroakustischer Streu- und Abschirmphänomene komplexer Quellen wie Propeller überzeugt und sowohl durch analytische Validierung als auch durch den erfolgreichen Abgleich mit experimentellen Messdaten bestätigt wird.
Die Studie stellt ein skalierbares, physik-informiertes tiefes generatives Modell (sPI-GeM) vor, das durch die Kombination von basisnetzwerken und einem generativen Modell effizient sowohl Vorwärts- als auch Inversprobleme bei stochastischen Differentialgleichungen mit hochdimensionalen stochastischen und räumlichen Räumen löst.
Die Autoren stellen einen effizienten Sum-of-Gaussians-Tensor-Neural-Network-Algorithmus (SOG-TNN) vor, der durch eine niedrigrangige Tensor-Darstellung und eine spezielle Zerlegung der Coulomb-Wechselwirkung die Fluch der Dimensionalität bei der Lösung der hochdimensionalen Schrödinger-Gleichung überwindet.
Diese Arbeit stellt ein Hybrid High-Order (HHO)-Verfahren für inkompressible Strömungen mit variabler Dichte vor, das eine exakte Volumenerhaltung und reine Dichte-Advektion gewährleistet und sich durch Druckrobustheit, hohe zeitliche Genauigkeit sowie effiziente Lösungsstrategien für die Simulation von Mehrphasenströmungen und Rayleigh-Taylor-Instabilitäten auszeichnet.
Basierend auf umfangreichen Parallel-Tempering-Monte-Carlo-Simulationen zeigt diese Studie, dass im dreidimensionalen -Ising-Modell mit zufälligen Bindungen die Perkolationsübergänge in den geordneten Phasen oberhalb der thermodynamischen Ordnungsübergänge liegen und durch das Auftreten zweier gleich dichter perkolierender Cluster gekennzeichnet sind, deren Divergenz erst an den eigentlichen thermodynamischen Phasenübergängen erfolgt.
Diese Studie zeigt, dass Versetzungen die Oberflächenenergie von PbTe-PbSe-Grenzflächen signifikant senken, wobei heteroepitaktisch gewachsene Grenzflächen mit komplexen dreidimensionalen Versetzungsstrukturen eine bis zu 50 % niedrigere Energie aufweisen als direkt gebundene, halbkohärente Grenzflächen.
Die Autoren stellen das Open Polymers 2026 (OPoly26)-Dataset vor, das über 6,57 Millionen DFT-Berechnungen an polymerbasierten Clustern umfasst, um die bisherige Lücke in maschinellen Lernmodellen für Polymere zu schließen und deren Vorhersagegenauigkeit sowie die Entwicklung universeller atomistischer Modelle zu verbessern.
Die vorgestellte Arbeit überwindet die kombinatorische Komplexität der Kristallstrukturvorhersage durch ein neuartiges, symmetriebasiertes generatives Framework, das Large Language Models zur Erzeugung von Wyckoff-Mustern mit einem effizienten Heuristik-Beam-Search-Algorithmus kombiniert, um physikalisch valide und database-unabhängige Entwürfe neuer Materialien zu ermöglichen.
Die Arbeit stellt peapods vor, ein Open-Source-Python-Paket mit in Rust implementiertem Kern, das effiziente Monte-Carlo-Simulationen von Ising-Spinsystemen auf periodischen Bravais-Gittern mittels verschiedener Single-Spin- und Cluster-Algorithmen sowie Replica-Methoden für Spin-Gläser ermöglicht.
Diese Arbeit untersucht ein durch das Lipkin-Meshkov-Glick-Modell inspiriertes Quantenhirn-Modell und zeigt, dass biologisch motivierte synaptische Rückkopplung die Phasenstruktur signifikant verändert, indem sie den paramagnetischen Bereich auf Kosten ferromagnetischer Phasen erweitert und kritische Grenzen durch longitudinale Felder weiter verschiebt, was mittels Husimi-Verteilung, Wehrl-Entropie und Mean-Field-Dynamik analysiert wird.
Die Studie stellt SMARL vor, einen Reinforcement-Learning-Ansatz zur Entwicklung stabiler und generalisierbarer Subgrid-Scale-Abschlüsse für geophysikalische Turbulenz, die extreme Ereignisse präzise vorhersagen und dabei die Rechenkosten um bis zu fünf Größenordnungen senken.